Создание ИИ-агентов — удалённая работа в Москве

1. Цель разработки Разработать AI-агента (бот/скрипт/интеграция), который принимает на вход неструктурированные документы (счета, акты, накладные, выписки банка, сканы чеков) и на выходе отдаёт структурированные данные (сумма, контрагент, ИНН, дата, НДС, счёт учёта) в формате Excel/CSV или через API в 1С. 2. Бюджет и сроки Бюджет: 50 000 – 120 000 ? (ориентир; укажите свой) Срок: 3–4 недели Этапы: Прототип (10 дней) ? Доработка (10 дней) ? Тестирование на живых документах. 3. Входные данные (источники) Исполнитель должен реализовать хотя бы 2 из 3 каналов загрузки: Папка (FileWatcher) — бот смотрит на сетевую папку, забирает PDF, JPG, Excel. Email (IMAP) — подключение к почтовому ящику вида “docs@мояфирма.ру“, парсинг писем от контрагентов. Telegram-бот — бухгалтер кидает фото чека боту. 4. Что должен распознавать AI (функциональные требования) 4.1 Типы документов: Счета на оплату Акты выполненных работ/услуг Товарные накладные (ТОРГ-12) Акты сверки Выписки банка (PDF, CSV от Тинькофф/Сбер/Альфа) Чеки (фискальные) 4.2 Какие поля извлекать (с точностью не менее 85%): Поле Пример Номер документа №А-124 от Дата 12.03.2025 Контрагент (полное название) ООО “Ромашка“ ИНН контрагента [Телефон скрыт] Сумма итого 58 400,00 В т.ч. НДС 20% (9 733,33) Назначение платежа / товары (первая строка) Услуги клининга Счёт учёта (опционально) 26/60/62 5. Технические требования 5.1 Требования к AI: Использовать OpenAI GPT-4o / GPT-4o-mini или YandexGPT / Qwen (в рамках импортозамещения — укажите ваш бюджет на API). Модель работает без дообучения (zero-shot) + цепочка промптов с примерами (few-shot). Для таблиц (накладные) — комбинация: Docling или Unstructured.io (парсинг структуры) + LLM. 5.2 Логика проверки (валидация): Если ИНН не 10 или 12 цифр — запросить ручное уточнение. Если дата в будущем — пометить флагом requires_review. 5.3 Режим работы: Ручная дообработка: Нераспознанные поля подсветить жёлтым в Excel. Human-in-the-loop: AI выдаёт гипотезу, бухгалтер в один клик подтверждает/исправляет. 6. Выходные данные (результат) После обработки пачки документов AI должен создать: Excel-файл с колонками: Дата_обработки | Тип_док | Номер | Дата_док | Контрагент | ИНН | Сумма | НДС | Назначение | Статус (ОК/Сомнение) | Ссылка на исходный файл Лог ошибок: какие файлы не распознались (битые PDF, капча, мало данных). Дополнительно (повысит ставку): Возможность выгрузить JSON в формате для 1С (команда 1С:Предприятие 8 - загрузка из внешнего файла). Если подключена 1С (HTTP-сервис) — автоматическое создание документа «Поступление товаров и услуг». 7. Требования к безопасности Данные не должны покидать пределы РФ (если используете OpenAI — предупредить; лучше YandexGPT или локальная Qwen через Ollama). API-ключи должны храниться в переменных окружения (файл .env, не в коде). Исходные документы удалять после обработки через 24 часа (либо архивировать с шифрованием). 8. Как будем тестировать Исполнитель получает ZIP-архив из 50 реальных документов (расцензуренных, без настоящих ИНН, но с сохранением макета). Критерий приёмки: Точность извлечения полей ?85%. Время обработки одного документа ?15 секунд (не считая GPT). 9. Состав работ и Deliverables (что передадите мне) Исходный код (Python 3.10+) на GitHub с инструкцией README.md по установке. Dockerfile (чтобы я запустил у себя, не устанавливая зависимости вручную). Краткое описание (1 стр.) — в какой последовательности править промпты под мои документы. Видео-демо (не более 5 мин) обработки 5 документов – от загрузки до выдачи Excel. 10. Что НЕ нужно делать (границы проекта) Не нужно учить модель на моих данных (это дорого и долго). Не нужен веб-интерфейс (достаточно CLI или простой Streamlit-панели для загрузки). Не нужно писать интеграцию в «Моё дело» или СБИС (только 1С и Excel). 11. Желаемый стек исполнителя Python 3.10+, FastAPI/Flask (если делаете REST API), Streamlit (для UI) библиотеки: pdfplumber, pytesseract, openai / yandexgpt, pandas, python-telegram-bot опыт с langchain или llamaindex (приветствуется) 12. Вопросы к исполнителю перед стартом Напишите в отклике кратко: Какую модель LLM предлагаете и почему? Были ли у вас проекты по распознаванию первичных документов (можете показать маскированные примеры)? Как планируете решать проблему с «рваными таблицами» в PDF (когда границ нет)?.